2000 Tal - HAL

G´en´eration et analyse automatiques de ressources
lexicales construites utilisables en recherche
d’informations
Georgette Dal, Fiammetta Namer
To cite this version:
Georgette Dal, Fiammetta Namer. G´en´eration et analyse automatiques de ressources lexi-
cales construites utilisables en recherche d’informations. Traitement Automatique des Langues,
Lavoisier (Hermes Science Publications), 2000, 41 (2), pp.423-446. <hal-01481868>
HAL Id: hal-01481868
http://hal.univ-lille3.fr/hal-01481868
Submitted on 3 Mar 2017
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of sci-
entific research documents, whether they are pub-
lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destin´ee au d´epˆot et `a la diffusion de documents
scientifiques de niveau recherche, publi´es ou non,
´emanant des ´etablissements d’enseignement et de
recherche fran¸cais ou ´etrangers, des laboratoires
publics ou priv´es.

T.A.L., 2000, vol.
GÉNÉRATION ET ANALYSE AUTOMATIQUES DE RESSOURCES
LEXICALES CONSTRUITES UTILISABLES EN RECHERCHE
D'INFORMATIONS
Georgette DAL* Fiammetta NAMER **
Résumé - Abstract
En recherche documentaire, on se trouve sans cesse confronté à des mots
absents des dictionnaires de langue générale. Or, très souvent, ces mots (i)
sont construits, (ii) relèvent de langues dites de spécialité. Donner des outils
pour les répertorier et les analyser peut par conséquent permettre d'enrichir
une base terminologique. L'objectif de cet article est justement de présenter
un système de génération et d’analyse automatiques d’unités lexicales
construites non attestées par les dictionnaires, assorties d’informations
constructionnelles et sémantiques.
A frequent problem in documentary research comes from large number of
words encountered which are not listed in general language dictionaries.
However, often, these words (i) are morphologically complex, (ii) belong to
specialized language uses. Consequently, tools for listing and analyzing such
words can enrich a terminological database. The purpose of this article is to
present a system for automatic generation and analysis of morphologically
complex lexical items which are not listed in dictionaries, which furthermore
provides structural and semantic information about these items.
Mots clefs – Keywords
Morphologie - Racinisation à base de règles – Génération automatique de
ressources lexicales
Morphology - Rule-based stemming - Derivational analysis – Automatic terms
generation
* UMR 8528 “ SILEX ”, CNRS & Université de Lille 3 - 59653 Villeneuve d’Ascq
cedex. Courriel : [email protected].
** “ LANDISCO ”, Université de Nancy 2 - BP 3397 - 54015 Nancy cedex. Courriel :
[email protected].
© copyright ATALA

Georgette DAL, Fiammetta NAMER
INTRODUCTION
En recherche documentaire, on se trouve sans cesse confronté à
l'émergence de mots nouveaux, absents des dictionnaires de langue
générale. Par exemple, alors que (Le Monde 1993), désormais LM93, et
l’(Encyclopedia Universalis 1995), désormais EU, donnent à eux deux à
observer 45 occurrences de l’adjectif détectable, c’est vainement qu’on
cherchera ce mot dans le Robert électronique (RE), dans le Trésor de la
langue française (TLF) ou dans le Nouveau Petit Robert (NPR), qui à eux
trois assurent pourtant une bonne couverture du lexique attesté
synchronique 1. Par exemple encore, le nom traçabilité, également absent
des trois dictionnaires cités, figure à 43 reprises dans (Le Monde 99),
désormais LM99.
Or, très souvent, ces mots hors dictionnaires sont des unités lexicales
construites 2 qui, en tant que telles, ont un sens prédictible à partir de leur
structure. Par exemple, le sens construit de l’adjectif détectable est une
fonction du sens instructionnel du suffixe -able appliqué au sens descriptif du
verbe détect(er) - il marque la possession par le référent de son nom recteur
d’une propriété latente activable par l’effectuation du procès qu’exprime le
verbe détect(er) 3-, le sens construit du nom traçabilité en est une du sens
instructionnel du suffixe -ité appliqué au sens descriptif de l’adjectif traçable –
à la manière d’un nom, il exprime la propriété qu’exprime sa base traçable -,
et c’est bien comme tels que sont utilisés ces dérivés dans les citations
suivante [c’est nous qui soulignons] :
La théorie de l’information postule que, pour être détectable au mieux,
un signal doit être émis dans une bande de fréquence extrêmement
étroite. (EU, s.v. exobiologie)
Le ministère entend organiser cette traçabilité totale des OGM, du
champ jusqu'au produit fini. (LM99, 9 oct. 98, p. 10)
En plus d’être construits, ces mots relèvent majoritairement de langues
dites de spécialité (technolectes scientifique, philosophique, médiatique,
économique, etc.), si bien que donner des outils pour les répertorier et les
analyser peut permettre d'enrichir une base terminologique.
L’objectif de cet article est précisément de présenter un système de
génération et d’analyse automatiques d’unités lexicales construites a priori
absentes les dictionnaires de langue générale, dans lequel chacune de ces
unités s’assortit d’une double analyse, structurelle et sémantique.
Après avoir présenté le contexte global dans lequel s’inscrit le système
de génération et d’analyse automatiques d’unités lexicales construites objet
de cet article (§ 1.), nous ferons un état de l’art sur le traitement automatique
1 Détectable est en revanche reconnu par le vérificateur orthographique de Word97.
2 (Froissart C. & Lallich-Boidin G. 1996) notent que 32% des formes non reconnues
par l’analyseur morphologique CRISTAL développé dans le cadre de l’action
d’évaluation GRACE sont des mots construits ; si on exclut les erreurs
typographiques et orthographiques, l’autre grand contingent des formes non
reconnues est constitué de noms propres (cf. Maurel D. et al. 1996) et de sigles.
3 (Cf. Hathout N. et al. à paraître).

GÉNÉRATION ET ANALYSE DE RESSOURCES CONSTRUITES
des unités lexicales construites absentes des dictionnaires (§ 2.) : cet état de
l’art nous permettra de faire ressortir les motivations qui ont guidé la mise au
point de notre système, baptisé GéDériF. Nous enchaînerons (§ 3.) en
exposant la façon dont nous avons conçu notre générateur-analyseur en
centrant notre propos sur trois opérations de construction d’unités lexicales :
les suffixations par -ité, par -able et par -is(er). Nous terminerons le corps de
cet article par une phase d’évaluation (§ 4.) avant de conclure (§ 5.).
1. SITUATION GÉNÉRALE
Le système de génération et d’analyse d’unités lexicales construites
absentes des dictionnaires présenté ici est une émanation du projet MorTAL
en cours de réalisation, ce dernier étant lui-même un enfant légitime de la
plate-forme de réflexion constituée par le projet FRANLEX 4.
Le projet MorTAL, qui réunit Ch. Jacquemin (USR 705, CNRS-INaLF),
N. Hathout (UMR 5610 “ ERSS ”, CNRS & Université de Toulouse-le Mirail)
ainsi que les deux autrices du présent travail, bénéficie pour trois ans d’un
financement accordé par le MENRT dans le cadre des actions concertées
incitatives blanches 1999. Son objectif à terme est de construire de façon
semi-automatique une base de données constructionnelles 5 du français pour
le traitement automatique de la langue naturelle et la recherche d’information
compilant l’ensemble des unités lexicales majeures attestées dans le TLF et
dans le RE (pour une présentation circonstanciée du projet, cf. Hathout N. et
al. à paraître, Dal G. et al soumission).
MorTAL part donc de l’attesté. Or, en commençant à constituer
MorTAL, il nous est apparu qu’une partie des règles implémentées pour
l’analyse automatique du lexique d’entrée était par ailleurs utilisable pour
générer et analyser automatiquement des unités absentes de ce corpus :
l’idée de notre générateur-analyseur automatique d’unités construites non
attestées dans les dictionnaires était née.
2. ÉTAT DE L'ART, OU : QUEL TRAITEMENT POUR LES UNITÉS
LEXICALES CONSTRUITES ABSENTES DES DICTIONNAIRES ?
2.1. Analyseurs basés sur dictionnaires
La plupart des - rares - systèmes automatiques fournissant des
informations, même minimales 6, sur les unités lexicales construites prennent
en entrée des lexiques finis. Citons par exemple pour le français le système
mis au point par (Grabar N. & Zweigenbaum P. 1999) visant à construire par
apprentissage une base de données morphologiques à partir de la
4 La version détaillée de FRANLEX figure sous l’URL :
http://www.limsi.fr/Individu/jacquemi/FRANLEX/.
5 Comme D. Corbin (cf. Corbin D à paraître), nous préférerons l’adjectif
constructionnel à dérivationnel parce qu’il inscrit explicitement le référent de son
nom recteur dans le domaine de la construction des unités lexicales. Nous ne
nous interdirons toutefois pas absolument l’adjectif dérivationnel.
6 Les ouvrages généralistes sur le TALN s’accordent à souligner la faible place
accordée aux informations constructionnelles, considérées comme moins adaptées
au domaine que les informations flexionnelles (cf. (Bouillon P. 1998 : 48 ; Fuchs C.
éd. 1993 : 87)), certainement parce qu’elles sont réputées moins régulières que
leurs homologues flexionnelles. Pour plus de détails, cf. (Sproat R.W. 1992 ; Fradin
B. 1994).

Georgette DAL, Fiammetta NAMER
nomenclature médicale SNOMED (Systematized Nomenclature of Human
and Veterinary Medecine), ou encore l’analyseur mis au point par (Savoy J.
1993) : basé sur l'exploitation d'un gros lexique, son but est d'effectuer
l'analyse morphologique complète des mots non étiquetés d'un texte soumis
ensuite à des applications de RI. Le dernier des systèmes mentionné ici est
le programme décrit dans (Gaussier E. 1999), qui acquiert par apprentissage
des familles morphologiques hiérarchisées et des opérations de suffixation, à
partir d'un lexique de formes fléchies étiquetées. Ce système est conçu pour
servir à la fois en analyse (construire des procédures de racinisation) et en
génération (assister le lexicographe dans le développement de nouvelles
ressources lexicales).
Qu'ils produisent des ressources morphologiques ou qu'ils étiquettent
des textes, ces divers systèmes fondés sur l’exploitation d’un lexique fini sont
toutefois inopérants face à un terme absent de leur lexique d’entrée.
2.2. Analyseurs non-basés sur dictionnaires
Mais tous les analyseurs constructionnels ne se fondent pas sur
l'exploitation d'un lexique fini. C’est notamment le cas des applications de
désaffixation, dont le but est de constituer des familles morphologiques de
mots caractérisés par une racine commune et des liens flexionnels et
dérivationnels. On peut répartir ces applications en deux grandes familles : (i)
les unes, basées sur règles, mettent majoritairement en œuvre l'algorithme
de Porter ; (ii) les autres ont un fonctionnement purement ou principalement
statistique, comme le programme Automorphology.
Ces systèmes ont les moyens de traiter les mots construits absents des
dictionnaires. Toutefois, on peut en premier lieu reprocher à ces deux
approches, qui ne distinguent pas flexion et dérivation lors du processus de
troncation, d’être peu performantes en termes de lemmatisation. En outre,
comme nous le montrons ci-dessous, ces approches génèrent soit du bruit,
soit du silence lors de la constitution des familles constructionnelles.
2.2.1. Algorithme de Porter
L’algorithme de Porter (cf. (Porter M. 1980)) met en jeu un système de
règles pondérées dont le mode d'application est fonction (i) du suffixe à
supprimer (la notion de suffixe est ici purement géographique) 7, (ii) de
caractéristiques de la base. Pour une langue à morphologie peu complexe
comme l'anglais, cet algorithme a été jugé très performant en RI, à tel point
que l'injection de traits linguistiques y a été jugée inutile (aucune amélioration
en terme de résultats n'ayant été observée, notamment lors des expériences
décrites dans (Lennon M. et al. 1981)). Pour des langues à morphologie plus
complexe, comme le néerlandais, l'intégration de connaissances
linguistiques y est au contraire préconisée (Kraaij W. & Pohlmann R. 1996).
En ce qui concerne l'adaptation au français, on observe que l'absence
de connaissances linguistiques, et notamment l'absence de listes
d'exceptions modulant l'activation des règles, conduit à la production de deux
types d'erreurs :
1. Admettons que l’on pose les deux règles de désuffixation par –aille
7 À l'origine, la suppression ne concerne pas les préfixes.